Banche Dati

Banche dati e letteratura scientifica

Lezione 1

Principali banche dati di sequenze proteiche

La prima che nasce è la PIR-PSD (Protein Resource-Protein Sequence Database). Qualche anno dopo nasce SWISS-PROT, e poco dopo la Tr-EMBL (traduzione automatica di sequenze contenute in banche dati nucleotidiche). UNIPROT raccoglie le tre banche dati. È organizzato in tre database distinti:

• UniprotKB = Uniprot Knowledgebase
• UniParc
• UniRef

http://www.uniprot.org/

Tutti e tre i database sono definiti non ridondanti, ma la ridondanza è intesa diversamente (significa che non avremo due file identici di due molecole diverse). TrEMBL, SWISS-PROT e UNIPROT hanno comunque caratteristiche diverse.

RefSeq è una banca dati diversa rispetto a quelle citate finora. Contiene sequenze nucleotidiche e proteiche, possiede lo stesso formato delle altre banche dati ma NON contiene tutti gli organismi.

PubMed contiene pubblicazioni scientifiche. Altre sono: Web of Knowledge, Scopus e Google Scholar (banche dati di riferimento bibliografico), è possibile trovare riferimenti non presenti su PubMed. Scopus e Google Scholar sono ad abbonamento ed è consentito l'accesso da rete universitaria.

OMIM (Online Mendelian Inheritance in Man) è una banca dati dove si possono trovare citazioni bibliografiche riferite alla ricerca.

Ricerche

Le ricerche si svolgono su ENTREZ. [possibile domanda di esame “scrivi una stringa di ricerca”]

Esempio di domanda: “scrivi una possibile stringa da utilizzare in Entrez per cercare le sequenze del gene DNAK sia in Escherichia Coli che in Salmonella Bongori [1 punto]”

Risposta: DNAK[GENE] AND (“ESCHERICHIA COLI”[ORGN] OR “SALMONELLA BONGORI”)

Linux

Introduzione: Linux deriva da un vecchio sistema operativo chiamato UNIX. In una macchina Linux il File System è organizzato in librerie. Ad esempio: /home/Giorgio/desktop/test.pg (può essere anche abbreviato così: ./desktop/test.pg dove il “.” corrisponde alla cartella dove stiamo lavorando). Invece “..” corrisponde alla cartella superiore a quella corrente, esempio: ../../bruno/desktop/exercise1.cc (dove “..” corrisponde a “home”).

Comandi:

• “pwd”= print working directory, fa vedere il direttorio corrente.
• “ls”= mostra cosa c’è nel direttorio corrente. Le opzioni si indicano col segno “-” e il nome dell’opzione.
• “cd”= cambia il direttorio corrente.

Nella visualizzazione con “ls” se nella prima linea c’è una “d” significa che è presente una cartella, il segno “-” significa che non ci sono cartelle presenti. “r” sta per read quindi è permesso leggere; “w” sta per write, è consentito scrivere; “x” sta per execute, è permesso aprire il file.

Nelle triplette è dettato cosa un utente può fare nei file staff.

• “cp”= copia il file. [vedi espressioni regolari]
• “rm”= è il comando per cancellare.
• “mv”= simile a “cp” ma oltre a copiare il file nello stesso comando è possibile cambiargli il nome.

Esempio: “la cartella corrente è /home/users/ivana/desktop. Scrivere il comando per copiare il file /home/users/ivana/desktop/sequence.fasta nella cartella corrente e per rinominarlo seqA.fasta”

Risposta: cp ./sequence.fasta seqA.fasta

• “mkdir”= crea una cartella.
• “rmdir”= elimina una cartella (se vuota).
• “chmod”= permette di cambiare i comandi di un file. È quindi possibile cambiare le modalità di lettura, scrittura e apertura di un file per me e per gli altri utenti.

Set di comandi per visualizzare l’interno dei file:

• “cat”= permette di visualizzare su monitor il contenuto del file citato.
• “less”= per visualizzare meno righe del file.
• “head”= visualizza la riga di intestazione.
• “grep”= cerca all’interno del file se immessa una parola chiave. In questa ricerca valgono le regole dell’espressione regolare.
• “wc -l”= conta le righe di un file.

Per sapere come funziona la lista di comandi basta digitare “man” e il nome del comando, esempio: “ls”, “cp”, ecc..

Lezione 2

Allineamento

Date due sequenze (acidi nucleici o proteine), l’allineamento è la posizione relativa delle due sequenze che ne massimizza la similarità. Quando si parla di similarità tra due sequenze si pensa ad un oggetto quantitativo. Si parla di omologie tra due sequenze quando c’è un fattore comune.

Sequenze omologhe = sequenze con un progenitore comune, da cui poi si sono differenziate (concetto qualitativo). Sequenze simili = sequenze vicine in una qualche metrica (concetto quantitativo).

In una sequenza dove gli accoppiamenti amminoacidici sono gli stessi una sarà più forte dell’altra se gli altri amminoacidi accoppiati sono simili. ESEMPIO: LALGL-LALAL.

Odd ratio = (probabilità che le due sequenze derivino da un ancestore comune) / (probabilità che l’allineamento sia casuale). ESEMPIO: O=Pe/Pc “1-AGL” “2-AGG” Pc= Pa,1,1 x Pa,2,1 x Pg,1,2 x Pg,2,2 x Pl,1,3 x Pg,2,3 Pc= Pa x Pa x Pg x Pg x Pl x Pg Pe= q(a,a); q(g,g); q(l,g).

Il logaritmo è monotono crescente, quindi se il rapporto di probabilità è alto il punteggio è alto (e viceversa). Abbiamo ricondotto la misura di similarità ad una somma tra punteggi dall’allineamento tra le varie coppie di AA.

Le coppie di amminoacidi sono simmetrici, significa che la probabilità che una G sia accoppiata ad una L è pari alla probabilità che una L sia accoppiata ad una G. P(xi) è la probabilità di occorrenza casuale di un amminoacido.

Matrici PAM (Accepted Point Mutations) = la probabilità di sostituzione di un amminoacido con un altro sono calcolate a partire da alberi filogenetici []. Grazie a questo sistema possiamo contare le mutazioni presenti, è possibile definire una matrice 20x20 []. Non tutti gli amminoacidi hanno la stessa probabilità di mutare. Corrisponde alla probabilità che un amminoacido muti in un altro specifico.

ESEMPIO= P = 30/3644= ar0.0082 perché le mutazioni di A (in riferimento alla tabella) sono= 30 + 109 + …= 3644. Probabilità che ci sia una mutazione in una generica posizione dopo un certo numero di passi evolutivi. Grazie alla Matrice di Mutazione è possibile calcolare la probabilità che un amminoacido si evolva in un altro.

Si possono generare molte PAM diverse, la più usata ad esempio è PAM2.5, questo esempio è stato fatto su PAM1. La matrice di ordine N può essere calcolata moltiplicando la matrice di ordine 1 N volte per se stessa: PAM = (PAM )^N.

ATTENZIONE: PAM di ordine N non significa avere N amminoacidi mutati [].

Standard output

Ogni volta che si esegue un comando esso viene regolato da tre comandi:

• Standard Input= ad esempio il mouse e la tastiera.
• Standard Output= il monitor.
• Standard Error= il monitor.

Il segno “>” sposta il verso del comando, ad esempio può essere usato per indicare la cartella di arrivo di un file scaricato. Invece “2>” significa che il messaggio di errore non arriva sul monitor ma sul file; “<” cambia la differenza dello standard input.

ESEMPIO: usiamo “grep” per ricercare una parola chiave in un file, quindi grep “Homo sapiens” ex4_1.fasta. Successivamente lo salviamo su file grep “Homo sapiens” ex4_1.fasta > tmp.txt. Contiamo quante righe contiene la nostra ricerca wc -l tmp.txt.

Comandi:

• “einfo”= Indicando con “db” (database) possiamo ricercare qualsiasi sito di banche dati, ad esempio PubMed.
• “esearch”= Indicare cosa cercare e dove cercare. ESEMPIO: esearch-db pubmed -query “LacZ”. Così ricerca se in banca dati è disponibile la parola chiave della nostra ricerca.
• “efilter”= Più o meno la stessa funzione di esearch ma ti mostra solo cose che hai già ricercato.
• “elink”= Permette collegamenti tra banche dati. Le ricerche possono essere svolte su più database contemporaneamente e hanno diversi comandi:

• “-related”= cerca le sequenze digitate riferite come simili su diversi database.
• “-target”= cerca articoli collegati alla sequenza digitata.
• “efetch”= permette il download degli articoli della sequenza digitata per la banca dati cercata. Indicare sempre il posto dove si vuole salvare il file, ad esempio “./” se si vuole salvare sull’interfaccia corrente (il comando è “-format”).

Formato XML = contiene sia i file che il formato dei file. Xtract è un programma capace di prendere un file XML ed estrarne i file (“-pattern”) e può dividerli in colonne (“-element”).

Lezione 3

Matrici BLOSUM

Sono calcolate una decina dopo le PAM con più dati a disposizione. Ciascuna matrice è calcolata su un set diverso e rispetto alla PAM non c’è più un processo di estrapolazione. BLOSUM80 nei blocchi le sequenze con oltre 80% di identità sono raggruppate in un'unica sequenza. Si descrivono variazioni tra sequenze che differiscono per più dell’80%. Se differiscono meno dell’80% vengono sostituite da un’unica sequenza.

Differenze tra BLOSUM62 e PAM160: la BLOSUM è più tollerante alla sostituzione. Algoritmo di allineamento date due sequenze vediamo come si dispongono una vicino all’altra. Per ogni posizione se ne calcola il punteggio. Allineamento con gaps allineando due sequenze con diverse lunghezze necessito di inserire un “gap” per allinearle il meglio possibile.

ESEMPIO: “F G H K L P G G” “F A H R – P GG”

Algoritmo Needleman-Wunsch è l’algoritmo base per creare gli allineamenti. Si basa sulla seguente osservazione: il miglior allineamento a valle, non dipende dall’allineamento a monte. Le due sequenze possono essere quindi allineate in modo sequenziale.

A C G T
A + -1 -1 -1
C -1 + -1 -1
G -1 -1 + -1
T -1 -1 -1 +2

Per allineare due sequenze si usa questo sistema per trovare il miglior allineamento delle sequenze. Le prestazioni dell’algoritmo varia se la lettura della tabella è verticale o orizzontale. Dato uno schema di punteggio troviamo il massimo assoluto non per forza da un punto di vista biologico.

Allineamento globale calcola l’allineamento di una sequenza completa. Allineamento locale calcola l’allineamento di una parte della sequenza.